訓練
認證
Microsoft Certified: Azure AI Fundamentals - Certifications
示範與 Microsoft Azure 軟體和服務開發相關的基本 AI 概念,以建立 AI 解決方案。
若要將物件偵測模型定型以辨識物件,您必須收集包含這些物件的影像。 遵循影像數量與品質的指導方針以取得更好的結果。
提供給物件偵測模型的影像需要下列特性:
格式:
大小:
務必上傳足夠的影像來將您的 AI 模型定型。 定型集的每個物件一開始最好有至少 15 個影像。 在使用較少影像的情況下,您的模型很可能會學習到實際上是雜訊或不相關的概念。 使用更多的影像來為模型定型應該能提高準確度。
另一個考量是讓資料之間能達到平衡。 如果您針對某個物件有 500 個影像,但對於另一個物件只有 50 個影像,您的定型資料集將會不平衡。 這可能會導致模型比較能夠辨識其中一個物件。 若要取得較一致的結果,請在具有最少影像及最多影像的物件之間,保持至少 1:2 的比例。 例如,如果影像數量最多的物件有 500 個影像,那麼影像數量最少的物件應該至少要有 250 個影像用於定型。
提供能代表人們會在正常使用期間提交給模型的影像。 例如,假設您正在將模型定型以辨識蘋果。 如果您只使用位於盤子上之蘋果的影像來定型,模型可能無法一致地辨識位於樹上的蘋果。 包括不同種類的影像將能確保您的模型不會產生偏差,而且能適當地一般化。 下列是一些可讓您的定型集更加多樣化的方法。
在不同背景前面使用您的物件的影像,例如,盤子、雙手和樹木上的水果。 呈現相關內容的相片能為分類器提供更多資訊,因此它們比背後為中性背景的相片更好。
使用具有不同光源的定型影像,特別是在用於偵測的影像可能會具有不同光源的情況下。 例如,包含使用閃光燈、高曝光等方式拍攝的影像。 包含具有不同飽和度、色調及亮度的影像也會很有幫助。 您的裝置相機可能會讓您控制這些設定。
擷取物件的不同部分以提供有各種不同大小物件的影像,例如數串香蕉的相片和一根香蕉的特寫。 不同的大小可協助模型更適當地一般化。
嘗試提供從不同角度拍攝的影像。 如果您所有相片都是來自一組固定的相機 (例如監視攝影機),請為每個相機指派不同的標籤。 這可協助避免將不相關的物件 (例如路燈) 模型化為重要特徵。 即使所有相機都是拍攝相同的物件,也請為其指派相機標籤。
AI 模型可能會錯誤地學習您影像所具備的共同特性。 假設您想要建立能夠區分蘋果和柑橘的模型。 如果您使用位於手中的蘋果與位於白盤上柑橘的影像,模型可能會以手與白盤來定型,而不是蘋果與柑橘。
若要更正此問題,請使用上述指引搭配更多樣化的影像來定型:提供具有不同角度、背景、物件大小、群組及其他變化的影像。
訓練
認證
Microsoft Certified: Azure AI Fundamentals - Certifications
示範與 Microsoft Azure 軟體和服務開發相關的基本 AI 概念,以建立 AI 解決方案。